Obwohl uns ja schon vor langem versprochen wurde, dass die KI bald so intelligent sein wird, dass es ganz egal ist, wie wir unsere Prompts formulieren, ist es Stand jetzt immer noch Fakt, dass die Qualität der Eingabe durchaus einen Rieseneinfluss auf die Qualität der Ausgabe haben kann. Es gibt verschiedenste Techniken und Frameworks, mit denen wir diese Qualität verbessern können. In diesem Artikel wollen wir eine ziemlich einfache Herangehensweise zeigen, die in letzter Zeit immer mehr Aufmerksamkeit bekommen hat: Context Engineering.
Was ist Context Engineering?
Dabei handelt es sich um einen modernen Ansatz in der KI-Interaktion, der darauf abzielt, den gesamten Rahmen einer KI-Aufgabe bewusst zu gestalten, um präzisere, konstantere und objektiv bessere Ergebnisse zu erzielen.
Vereinfacht gesagt bedeutet das: Nicht nur die Formulierung einer Anfrage (Prompt) ist entscheidend, sondern auch der Rahmen, in dem sie gestellt wird. Eine klar definierte Rolle, ein eindeutiges Ziel oder ein bestimmter Kommunikationsstil können die Qualität der KI-Antworten erheblich verbessern. Mit Context Engineering legen wir also die Rahmenbedingungen fest, in denen die KI agiert.
Die fünf Ebenen des Kontextrahmens
Im Kern unterscheidet man fünf Ebenen, die gemeinsam genau diesen Rahmen bilden, in dem die KI dann möglichst effektiv arbeiten kann. Vorab sei betont: Es handelt sich hierbei um Idealbedingungen. Wenn nicht alle fünf abgedeckt werden können, ist das kein Weltuntergang und man kann definitiv trotzdem vom Context Engineering Ansatz profitieren. Es ist einfach nur eine weitere Technik, die uns bei der Arbeit mit KI-Tools helfen kann.
Schauen wir uns die fünf Bestandteile einmal genauer an:
- Systemkontext: Er definiert die Grundrolle und Leitplanken der KI. Hier wird festgelegt, welche Rolle das Modell einnimmt und welchen Stil, welchen Ton oder in seltenen Fällen welche Ethik es befolgt.
- Beispiel: „Du bist ein professioneller Datenanalyst. Antworte sachlich und präzise.“
- Hintergrund: Im Gegensatz zur klassischen Rollenzuweisung geben wir an dieser Stelle einfach noch ein paar mehr Einschränkungen oder Grenzen mit und haben so eine klarere Rolle für die KI.
- Aufgaben- oder Zielkontext: Diese Ebene beschreibt den Zweck und das Ziel der Interaktion.
- Beispiel: „Analysiere die Verkaufszahlen, um Trends zu erkennen.“
- Hintergrund: Auch hier ergänzt man zur klassischen Aufgabe direkt das Ziel – man liefert mehr Kontext mit. Wofür brauche ich die Daten? Weshalb möchte ich die Zusammenfassung? Was ist mein übergeordnetes Ziel, bei dem ich KI-Unterstützung brauche? Diese Informationen helfen der KI ungemein.
- Wissenskontext: Hier wird festgelegt, welche Informationen, Daten oder Regeln der KI zur Verfügung stehen. Das kann eine Tabelle, ein Dokument oder eine Sammlung von Fakten sein.
- Beispiel: „Nutze die angehängte Excel-Datei mit den Q3-Daten.“
- Hintergrund: Hier schränken wir noch etwas mehr ein. Statt dass die KI auf all ihre Trainingsdaten zugreift, soll sie sich vor allem auf unsere mitgelieferten Informationen konzentrieren und darauf Bezug nehmen. Je nach KI kann man auch verlangen, dass sie erklärt, woher die Information stammt (wie z. B. bei NotebookLM).
- Interaktionskontext: Diese Ebene regelt, wie die Antwort aussehen soll – Tonfall, Format und Kommunikationsstil.
- Beispiel: „Erkläre visuell und nutze Tabellen. Vermeide Fachjargon.“
- Hintergrund: Wir liefern Leitplanken, aber nicht nur für das Ergebnis, sondern auch für unsere Zusammenarbeit mit der KI. Da man selten mit der ersten Ausgabe sofort zufrieden ist, sparen wir uns einiges an Arbeit, wenn wir hier direkt den Rahmen festlegen.
- Situationskontext: Sie beschreibt die Umgebung oder den Nutzer selbst. Sie kann auf vorherige Gespräche, Rollen oder Ziele Bezug nehmen.
- Beispiel: „Der Nutzer hat zuvor eine Marktanalyse erstellt.“
- Hintergrund: Wir müssen uns immer im Klaren sein, dass wir mit einer KI zu tun haben, die unsere Situation und unsere Vorarbeit nicht kennt. Nur in den wenigsten Fällen ist es im beruflichen Kontext aktuell freigegeben, mit Funktionen wie GPT Memories zu arbeiten. Deshalb sollten wir immer klar erklären, an welcher Stelle im Prozess wir uns aktuell befinden, um die bestmögliche Unterstützung zu erhalten.
Gemeinsam bilden diese fünf Schichten den vollständigen Kontextrahmen, der eine KI-Anfrage steuert. Das Ziel des Context Engineerings ist es, KI-Systeme relevanter, zuverlässiger und anpassungsfähiger zu machen – also weniger fehleranfällig, kontextbewusster und besser auf individuelle Nutzerbedürfnisse abgestimmt.
Die allgemeingültige Vorlage
Eine allgemeingültige Vorlage für Context Engineering könnte so aussehen:
Prompt zum Kopieren
Systemkontext: Du bist [Rolle oder Persona], spezialisiert auf [Fachgebiet]. Deine Aufgabe ist es, [Ziel oder Nutzen]. Halte dich an folgende Prinzipien: [Regeln, Ethik, Stil].
Aufgabe: Deine aktuelle Aufgabe lautet: [konkrete Aufgabe]. Ziel: [Was soll am Ende herauskommen].
Wissenskontext: Hier sind relevante Informationen: [Dokumente, Daten, Fakten, Beispiele].
Interaktionskontext: Formatiere deine Antwort als [Tabellen/Text/JSON/Diagramm]. Sprich in einem [Ton: sachlich, kreativ, lehrend, beratend]. Vermeide [z. B. Fachbegriffe, Spekulationen].
Situationskontext: Der Nutzer ist [z. B. Marketing-Manager], hat [Vorwissen/Absicht]. Berücksichtige vorherige Schritte: [Zusammenfassung falls vorhanden].
Aufgabe: Führe jetzt [die Aufgabe] aus.
Hier haben wir am Ende nochmal eine explizite Aufforderung, dass die KI jetzt mit der eigentlichen Aufgabe loslegt. Das ist vor allem dann relevant, wenn die Aufgabe möglicherweise mehrere Schritte hat und man sich zunächst auf den ersten Schritt konzentrieren möchte. Wenn das nicht der Fall ist, kann man diese Extra-Anweisung auch einfach ignorieren.
Praxisbeispiel: Business-Analyse mit Context Engineering
Ein Beispiel: Eine KI soll Verkaufszahlen interpretieren und Handlungsempfehlungen geben. Dieses Szenario zeigt, wie Context Engineering in der Praxis angewendet werden kann, um die Qualität der Ergebnisse deutlich zu verbessern.
Prompt zum Kopieren
Systemkontext: Du bist ein erfahrener Business-Analyst mit Fokus auf Marketing und Vertrieb. Deine Stärke liegt in datenbasierter Entscheidungsfindung.
Aufgabe: Analysiere die Verkaufsdaten der letzten drei Monate und finde die wichtigsten Trends, Risiken und Chancen.
Wissenskontext: Juli: 105.000 €, August: 97.000 €, September: 112.000 €, durchschnittlicher Onlineanteil: 63 %, durchschnittliche Conversion-Rate: 4,8 %, durchschnittliche Retourenquote: 7 %.
Interaktionskontext: Gib die Antwort in einer klaren, gegliederten Analyse mit Überschriften. Schließe mit drei konkreten Handlungsempfehlungen. Schreibe sachlich, aber beratend.
Situationskontext: Der Nutzer ist Vertriebsleiter eines mittelständischen Unternehmens und plant die Marketingstrategie fürs nächste Quartal.
Das Ergebnis ist eine strukturierte, relevante und handlungsorientierte Antwort, die nicht nur zum Nutzer und Ziel passt, sondern auch den praktischen Mehrwert des Context Engineerings deutlich macht.
Fazit
Fassen wir also nochmal zusammen: Context Engineering versucht, bloßes Prompting zu verbessern, indem es dem Ganzen einen gewissen Rahmen und mehr Struktur gibt.
Man kann es als eine Weiterentwicklung klassischer Prompt-Techniken betrachten. Während Prompt Engineering sich auf die Formulierung einzelner Anweisungen konzentriert, erweitert Context Engineering diesen Ansatz um die bewusste Gestaltung des gesamten Rahmenwerks. Es ergänzt somit bestehende Methoden um eine weitere Perspektive, die es erlaubt, KI-Systeme nachhaltiger, flexibler und kontextbewusster einzusetzen.
Darüber hinaus trägt Context Engineering wesentlich zur Qualitätskontrolle und Konstanz von KI-Ergebnissen bei. Da viele KI-Tools noch nicht in der Lage sind, Ergebnisse zuverlässig zu reproduzieren, entsteht die Notwendigkeit, alternative Techniken einzusetzen.
Ist das jetzt die Idealvorstellung, wie unsere Arbeit mit KI-Tools ablaufen sollte? Nein. Aber durch den gezielten Aufbau und die Pflege eines klar definierten Kontexts lässt sich ein gleichmäßiges Maß an Qualität in den Ausgaben erzielen. So dient Context Engineering nicht nur der Strukturierung, sondern auch der Stabilisierung von KI-Interaktionen – ein entscheidender Schritt auf dem Weg zu wirklich zuverlässigen KI-Systemen.
